GPT-4 变笨引爆舆论！文本代码质量都下降，OpenAI 刚刚回应了降本减料质疑

大模型天花板GPT-4，它是不是……变笨了？ 先是少数用户提出质疑，随后大量网友表示自己也注意到了，还贴出不少证据。 有人反馈，把 GPT-4 的 3 小时 25 条对话额度一口气用完了，都没解决自己的代码问题。 无奈切换到 GPT-3.5，反倒解决了。 总结下大家的反馈，最主要的几种表现有： 以前 GPT-4 能写对的代码，现在满是 Bug 回答问题的深度和分析变少了 响应速度比以前快了 这就引起不少人怀疑，OpenAI 是不是为了节省成本，开始偷工减料？ 两个月前 GPT-4 是世界上最伟大的写作助手，几周前它开始变得平庸。我怀疑他们削减了算力或者把它变得没那么智能。 这就不免让人想起微软新必应“出道即巅峰”，后来惨遭 “前额叶切除手术” 能力变差的事情…… 网友们相互交流自己的遭遇后，“几周之前开始变差”，成了大家的共识。 一场舆论风暴同时在 Hacker News、Reddit 和 Twitter 等技术社区形成。 这下官方也坐不住了。 OpenAI 开发者推广大使Logan Kilpatrick，出面回复了一位网友的质疑： API 不会在没有我们通知您的情况下更改。那里的模型处于静止状态。 不放心的网友继续追问确认 “就是说 GPT-4 自从3 月 14 日发布以来都是静态的对吧？”，也得到了 Logan 的肯定回答。 “我注意到对于某些提示词表现不一致，只是由于大模型本身的不稳定性吗？”，也得到了“Yes”的回复。 但是截至目前，针对网页版 GPT-4 是否被降级过的两条追问都没有得到回答，并且 Logan 在这段时间有发布别的内容。 那么事情究竟如何，不如自己上手测试一波。 对于网友普遍提到 GPT-4 写代码水平变差，我们做了个简单实验。 实测 GPT-4“炼丹” 本领下降了吗？ 3 月底，我们曾实验过让 GPT-4“炼丹”，用 Python 写一个多层感知机来实现异或门。 △ShareGPT 截图，界面稍有不同 让 GPT-4 改用 numpy 不用框架后，第一次给出的结果不对。 在修改两次代码后，运行得到了正确结果。第一次修改隐藏神经元数量，第二次把激活函数从 sigmoid 修改成 tanh。 6 月 2 日，我们再次尝试让 GPT-4 完成这个任务，但换成了中文提示词。 这回 GPT-4 第一次就没有使用框架，但给的代码仍然不对。 后续只修改一次就得到正确结果，而且换成了力大砖飞的思路，直接增加训练 epoch 数和学习率。 回答的文字部分质量也未观察到明显下降，但响应速度感觉确实有变快。 由于时间有限，我们只进行了这一个实验，且由于 AI 本身的随机性，也并不能否定网友的观察。 最早 4 月 19 日就有人反馈 我们在 OpenAI 官方 Discord 频道中搜索，发现从4 月下旬开始，就不时有零星用户反馈 GPT-4 变差了。 但这些反馈并未引发大范围讨论，也没有得到官方正式回应。 5 月 31 日，Hacker News 和 Twitter 同天开始大量有网友讨论这个问题，成为整个事件的关键节点。 HackerNews 一位网友指出，在 GPT-4 的头像还是黑色的时候更强，现在紫色头像版在修改代码时会丢掉几行。 在 Twitter 上较早提出这个问题的，是 HyperWrite（一款基于 GPT API 开发的写作工具）的 CEO，Matt Shumer。 但这条推文却引发了许多网友的共鸣，OpenAI 员工回复的推文也正是针对这条。 不过这些回应并没让大家满意，反而讨论的范围越来越大。 比如 Reddit 上一篇帖子提到，原来能回答代码问题的 GPT-4，现在连哪些是代码哪些是问题都分不出来了。 在其他网友的追问下，帖子作者对问题出现的过程进行了概述，还附上了和 GPT 的聊天记录。 对于 OpenAI 声称模型从三月就没有改动过，公开层面确实没有相关记录。 ChatGPT 的更新日志中，分别在1 月 9 日、1 月 30 日、2 月 13 日提到了对模型本身的更新，涉及改进事实准确性和数学能力等。 但自从3 月 14 日GPT-4 发布之后就没提到模型更新了，只有网页 APP 功能调整和添加联网模式、插件模式、苹果 APP 等方面的变化。 假设真如 OpenAI 所说，GPT-4 模型本身的能力没有变化，那么这么多人都感觉它表现变差是怎么回事呢？ 很多人也给出了自己的猜想。 第一种可能的原因是心理作用。 Keras 创始人 François Chollet 就表示，不是 GPT 的表现变差，而是大家渡过了最初的惊喜期，对它的期待变高了。 Hacker News 上也有网友持相同观点，并补充到人们的关注点发生了改变，对 GPT 失误的敏感度更高了。 抛开人们心理感受的差异，也有人怀疑API 版本和网页版本不一定一致，但没什么实据。 还有一种猜测是在启用插件的情况下，插件的额外提示词对要解决的问题来说可能算一种污染。 △WebPilot 插件中的额外提示词 这位网友就表示，在他看来 GPT 表现变差正是从插件功能开始公测之后开始的。 也有人向 OpenAI 员工询问是否模型本身没变，但推理参数是否有变化？ 量子位也曾偶然 “拷问” 出 ChatGPT 在iOS 上的系统提示词与网页版并不一致。 如果在手机端开启一个对话，它会知道自己在通过手机与你交互。 会把回答控制在一到两句话，除非需要长的推理。 不会使用表情包，除非你明确要求他使用。 △不一定成功，大概率拒绝回答 那么如果在网页版继续一个在 iOS 版开启的对话而没意识到，就可能观察到 GPT-4 回答变简单了。 总之，GPT-4 自发布以来到底有没有变笨，目前还是个未解之谜。 但有一点可以确定： 3 月 14 日起大家上手玩到的 GPT-4，从一开始就不如论文里的。 与人类对齐让 AI 能力下降 微软研究院发表的 150 多页刷屏论文《AGI 的火花：GPT-4 早期实验》中明确： 他们早在 GPT-4 开发未完成时就得到了测试资格，并进行了长期测试。 后来针对论文中很多惊艳例子，网友都不能成功用公开版 GPT-4 复现。 目前学术界有个观点是，后来的RLHF 训练虽然让 GPT-4 更与人类对齐——也就更听从人类指示和符合人类价值观——但让也让它自身的推理等能力变差。 论文作者之一、微软科学家张弋在中文播客节目《What’s Next｜科技早知道》S7E11 期中也提到： 那个版本的模型，比现在外面大家都可以拿得到的 GPT-4 还要更强，强非常非常多。 举例来说，微软团队在论文中提到，他们每隔相同一段时间就让 GPT-4 使用 LaTeX 中的 TikZ 画一个独角兽来追踪 GPT-4 能力的变化。 论文中展示的最后一个结果，画得已经相当完善。 但论文一作Sebastien Bubeck后续在 MIT 发表演讲时透露了更多信息。 后来当 OpenAI 开始关注安全问题的时候，后续版本在这个任务中变得越来越糟糕了。 与人类对齐但并不降低 AI 自身能力上限的训练方法，也成了现在很多团队的研究方向，但还在起步阶段。 除了专业研究团队之外，关心 AI 的网友们也在用自己的办法追踪着 AI 能力的变化。 有人每天让 GPT-4 画一次独角兽，并在网站上公开记录。 从 4 月 12 日开始，直到现在也还没看出来个独角兽的大致形态。 当然网站作者表示，自己让 GPT-4 使用 SVG 格式画图，与论文中的 TikZ 格式不一样也有影响。 并且 4 月画的与现在画的似乎只是一样差，也没看出来明显退步。 最后来问问大家，你是 GPT-4 用户么？最近几周有感到 GPT-4 能力下降么？欢迎在评论区聊聊。 本文作者：梦晨、克雷西，来源：量子位，原文标题：《GPT-4 变笨引爆舆论！文本代码质量都下降，OpenAI 刚刚回应了降本减料质疑》风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。